Wokół agentów AI narosło sporo szumu, a w banku zderza się on z twardą rzeczywistością: regulacjami, tajemnicą bankową i odpowiedzialnością za każdą decyzję wobec klienta. Dlatego pytanie nie brzmi „czy AI”, tylko gdzie AI realnie pomaga i jak zrobić to tak, żeby ostatnie słowo wciąż należało do człowieka. To przesuwa rozmowę z fascynacji modelem na projekt, który da się obronić przed audytem i przed klientem.
Z naszego doświadczenia najwięcej wartości powstaje nie tam, gdzie AI „zastępuje” pracownika, lecz tam, gdzie skraca mu drogę do odpowiedzi i odciąża z powtarzalnej pracy. Kompetencję AI budujemy w Grupie RITS realnie, w naszych zespołach AI/LLM/Data wyspecjalizowanych w LLM, danych i rozwiązaniach AI. Prowadziliśmy projekty GenAI, RAG i LLM, w tym wdrożenie asystenta wiedzy AI dla klienta z sektora ubezpieczeń (UNIQA) - a to doświadczenie przekłada się wprost na wyzwania banku, bo logika jest ta sama: wrażliwe dane, język regulowany, wysoka cena pomyłki.
Gdzie AI realnie pomaga w banku: obsługa, operacje czy wiedza?
Najszybszy zwrot widzimy w trzech obszarach, które łączy dużo powtarzalnej pracy i rozproszonej wiedzy. W obsłudze klienta AI podpowiada konsultantowi odpowiedź, streszcza historię kontaktu i proponuje kolejny krok, zamiast odpowiadać klientowi bez nadzoru. W operacjach i back office przyspiesza żmudne czynności: wstępną klasyfikację dokumentów, uzupełnianie wniosków, wyłapywanie niespójności. A w dostępie do wiedzy skraca czas, w jakim pracownik znajduje właściwą procedurę w gąszczu polityk. To obszary, w których efekt jest mierzalny, a ryzyko kontrolowalne - i od nich warto zaczynać.
Czym są agenci AI i asystenci AI w banku?
Te dwa pojęcia często się mylą, choć różnica jest praktyczna. Asystent AI działa w trybie pytanie-odpowiedź: pracownik pyta, asystent odpowiada na bazie wiedzy banku, a człowiek decyduje, co dalej. Agent AI idzie krok dalej - wykonuje sekwencję działań, sięga do systemu, przygotowuje projekt decyzji czy wypełnia formularz, ale w banku robi to zawsze w jasno określonych granicach.
Kluczowe jest to, że agent nie jest wyrocznią, tylko wykonawcą pod nadzorem. Projektujemy go tak, by proponował, a nie przesądzał: zbiera dane, wykonuje przygotowawczą pracę i zatrzymuje się tam, gdzie potrzebna jest decyzja człowieka. Wartość rośnie, a odpowiedzialność zostaje tam, gdzie wymaga tego regulator.
Jak działa asystent wiedzy (RAG) dla pracowników banku?
Asystent wiedzy to najczęściej pierwszy, najbezpieczniejszy krok. Opiera się na architekturze RAG (retrieval-augmented generation), w której model nie zmyśla odpowiedzi, tylko opiera ją na zweryfikowanych dokumentach banku. W praktyce budujemy tu kilka warstw:
- źródło prawdy - procedury, polityki, regulacje i wiedza produktowa, uporządkowane i aktualne,
- warstwę wyszukiwania, która znajduje właściwe fragmenty, zanim model cokolwiek napisze,
- generowanie odpowiedzi z przypisami do źródeł, żeby pracownik mógł jednym kliknięciem sprawdzić, skąd pochodzi dana informacja,
- kontrolę uprawnień, tak aby każdy widział tylko to, do czego ma dostęp.
Dokładnie taką logikę zastosowaliśmy przy asystencie wiedzy dla klienta ubezpieczeniowego - a w banku ta sama konstrukcja odpowiada na pytania konsultantów, analityków czy compliance szybciej niż przeszukiwanie intranetu.
Jak zautomatyzować procesy w banku z pomocą AI?
Automatyzacja z AI różni się od klasycznego RPA tym, że radzi sobie z treścią nieustrukturyzowaną - pismem od klienta, skanem umowy, swobodnym opisem reklamacji. Zamiast sztywnej reguły wstawiamy komponent, który rozumie język i kontekst, a potem osadzamy go w konkretnym kroku istniejącego procesu, tam gdzie dziś traci się najwięcej czasu - bez przebudowy całego systemu.
Dobrze zaprojektowana automatyzacja przygotowuje decyzję, ale jej nie wymusza: model streszcza, klasyfikuje i proponuje, a pracownik akceptuje, poprawia lub odrzuca. Ten rytm sprawia, że proces staje się szybszy, nie bardziej ryzykowny.
Dlaczego człowiek w pętli decyzyjnej jest kluczowy?
W banku nie chodzi o hasło, tylko o konstrukcję. Człowiek w pętli decyzyjnej oznacza, że każdą decyzję o istotnym skutku dla klienta zatwierdza uprawniona osoba. AI przygotowuje materiał, skraca drogę i podpowiada, ale nie podpisuje się pod decyzją kredytową ani nie zamyka reklamacji samodzielnie.
Taki układ utrzymuje odpowiedzialność po stronie banku, a przy okazji buduje zaufanie zespołu - pracownik nie czuje, że AI działa „za jego plecami”, tylko że pracuje dla niego. Projektujemy więc interfejsy tak, żeby nadzór był naturalną częścią procesu, a nie dodatkowym, pomijanym krokiem.
Jakie ryzyka AI trzeba kontrolować w banku?
Odpowiedzialne wdrożenie zaczyna się od nazwania ryzyk i zaadresowania ich w architekturze, a nie w prezentacji. Pilnujemy przede wszystkim:
- bezpieczeństwa i prywatności danych - dane wrażliwe nie wyciekają do modeli publicznych, przetwarzanie działa w kontrolowanym środowisku,
- halucynacji - ograniczamy je przez RAG, przypisy do źródeł i jasne „nie wiem” zamiast zmyślonej odpowiedzi,
- biasu i równego traktowania - testujemy, czy model nie faworyzuje ani nie dyskryminuje określonych grup,
- audytowalności - każda podpowiedź i działanie zostawiają ślad, który da się odtworzyć i wyjaśnić,
- zgodności - rozwiązanie projektujemy pod wymogi nadzorcze i wewnętrzne polityki banku od pierwszego dnia.
Tych warstw nie dokładamy na końcu - wpisujemy je w projekt od startu, bo w banku bezpieczeństwo i zgodność decydują o tym, czy wdrożenie ruszy.
Jakie kompetencje AI dostarczamy do projektu bankowego?
Nawet najlepszy pomysł potrzebuje ludzi, którzy go bezpiecznie zbudują. Obsadzamy role, których najczęściej brakuje wewnątrz, i spinamy je z zespołem banku:
- inżynierów AI/ML i LLM, projektujących rozwiązania GenAI i RAG,
- inżynierów danych, którzy porządkują źródła wiedzy i budują pipeline’y,
- architektów, dbających o bezpieczeństwo, integracje i zgodność rozwiązania,
- programistów produktowych i DevOps, którzy doprowadzają pilotaż do produkcji,
- wsparcie w nadzorze i jakości, żeby pętla z człowiekiem działała w praktyce, nie tylko na slajdzie.
Kompetencję AI czerpiemy z Grupy RITS, w tym z Movertiki, i z realnych projektów GenAI, RAG i LLM. Łączymy ją z rzemiosłem w budowie i utrzymaniu oprogramowania, bo w banku projekt AI to w 20% model, a w 80% solidna inżynieria wokół niego.
Jak robimy to w RITS?
Pracujemy jako partner nearshore z Polski łączący kompetencję AI z dyscypliną wytwarzania oprogramowania:
- zaczynamy od jednego, dobrze dobranego przypadku użycia z mierzalnym efektem, zamiast obiecywać rewolucję,
- budujemy rozwiązania w architekturze RAG z człowiekiem w pętli decyzyjnej, tak jak przy asystencie wiedzy dla klienta ubezpieczeniowego,
- bezpieczeństwo, prywatność danych i zgodność adresujemy od pierwszego dnia, a nie przed samym wdrożeniem,
- skład zespołu dobieramy pod konkretny projekt i weryfikujemy kompetencje przed startem.
Robimy to najczęściej w modelu wsparcia kompetencyjnego: dostarczamy ludzi i podejście, a bank zachowuje kontrolę nad decyzjami.
Od czego zacząć wdrożenie agentów AI w banku?
Zacznij od jednego problemu, który boli codziennie - na przykład czasu, w jakim konsultant znajduje właściwą procedurę. Wokół niego da się zbudować bezpieczny pilotaż: wąski zakres, jasne źródło wiedzy, człowiek zatwierdzający decyzje i miara skuteczności. Dopiero udany pilotaż otwiera drogę do skalowania na kolejne procesy.
Pomoże świadomy wybór modelu współpracy - różnice opisaliśmy w artykule o modelach współpracy IT.
Myślisz o agentach AI i asystentach w banku, ale chcesz zrobić to bezpiecznie i z człowiekiem w pętli? Porozmawiajmy, dobierzemy zakres, architekturę i zespół.